DE102013206292A1 - Method and device for creating a data-based function model - Google Patents
Method and device for creating a data-based function model Download PDFInfo
- Publication number
- DE102013206292A1 DE102013206292A1 DE102013206292.3A DE102013206292A DE102013206292A1 DE 102013206292 A1 DE102013206292 A1 DE 102013206292A1 DE 102013206292 A DE102013206292 A DE 102013206292A DE 102013206292 A1 DE102013206292 A1 DE 102013206292A1
- Authority
- DE
- Germany
- Prior art keywords
- data
- model
- training data
- unit
- partial
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B13/00—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion
- G05B13/02—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric
- G05B13/04—Adaptive control systems, i.e. systems automatically adjusting themselves to have a performance which is optimum according to some preassigned criterion electric involving the use of models or simulators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Abstract
Die Erfindung betrifft ein Verfahren zum Erstellen eines datenbasierten Funktionsmodells, insbesondere eines Gaußprozessmodells, mit folgenden Schritten: – Bereitstellen (S1) eines aus einem ersten Trainingsdatensatz ermittelten ersten datenbasierten Teilmodells; – Bereitstellen (S2) eines oder mehrerer weiterer Trainingsdatensätze; wobei für jeden der bereitgestellten weiteren Trainingsdatensätze folgende Schritte durchgeführt werden: Ermitteln (S3) eines Differenz-Trainingsdatensatzes mit Trainingsdaten, die den Differenzen der Ausgangswerte des betreffenden weiteren Trainingsdatensatzes und des Funktionswerts der Summe der Teilfunktionswerte (ferstesTeilmodell (x), fzweitesTeilmodell (x)) des ersten datenbasierten Teilmodells und zuvor ermittelten ein oder mehreren weiteren datenbasierten Teilmodellen an jedem der Messpunkte des betreffenden weiteren Trainingsdatensatzes entsprechen; Ermitteln (S4) eines weiteren datenbasierten Teilmodells aus dem Differenz-Trainingsdatensatz; und Bilden (S5) einer Summe (f(x)) aus dem ersten datenbasierten Teilmodell und den ermittelten weiteren datenbasierten Teilmodellen.The invention relates to a method for creating a data-based function model, in particular a Gaussian process model, with the following steps: providing (S1) a first data-based partial model determined from a first training data record; - Provision (S2) of one or more further training data sets; The following steps are carried out for each of the further training data records provided: Determining (S3) a differential training data record with training data that shows the differences between the output values of the relevant further training data record and the function value of the sum of the partial function values (first partial model (x), second partial model (x)) correspond to the first data-based partial model and previously determined one or more further data-based partial models at each of the measuring points of the relevant further training data record; Determining (S4) a further data-based partial model from the difference training data record; and forming (S5) a sum (f (x)) from the first data-based partial model and the determined further data-based partial models.
Description
Technisches GebietTechnical area
Die vorliegende Erfindung betrifft Steuergeräte für Motorsysteme, insbesondere Steuergeräte mit einer separaten Recheneinheit zum Auswerten von datenbasierten Funktionsmodellen, wie beispielsweise Gauß-Prozess-Modellen.The present invention relates to control devices for engine systems, in particular control devices with a separate computing unit for evaluating data-based function models, such as Gaussian process models.
Stand der TechnikState of the art
Bislang werden Funktionsmodelle in Steuergeräten, d. h. Strecken- und Systemmodelle, durch die Vorgabe von Kennfeldern, Kennlinien oder ein physikalisches System nachbildenden Funktionen implementiert. Diese werden von einem Benutzer durch Anpassen von Modellparametern an die Gegebenheiten des physikalischen Systems adaptiert. So far, functional models in ECUs, i. H. Track and system models, implemented by the specification of maps, characteristics or a physical system replicating functions. These are adapted by a user by adapting model parameters to the conditions of the physical system.
Eine Alternative stellt die Verwendung von nicht parametrischen datenbasierten Funktionsmodellen dar, mit denen die Funktionen physikalischer Systeme im Wesentlichen ohne Parameter-Vorgaben nachgebildet werden können. Als datenbasiertes Funktionsmodell kann beispielsweise ein Gauß-Prozessmodell verwendet werden, das im Wesentlichen durch Hyperparameter und Stützstellen definiert wird. Die datenbasierten Funktionsmodelle werden auf Grundlage von Trainingsdaten erstellt, die in einem Prüfsystem ermittelt werden können. Die Stützstellen für das Gauß-Prozessmodell können den Trainingsdaten entsprechen, aus diesen ausgewählt sein oder aus den Trainingsdaten generiert werden.An alternative is the use of non-parametric data-based function models, with which the functions of physical systems can be simulated essentially without parameter specifications. As a data-based functional model, for example, a Gaussian process model can be used, which is essentially defined by hyperparameters and support points. The data-based functional models are created on the basis of training data that can be determined in a test system. The support points for the Gaussian process model may correspond to, be selected from, or generated from the training data.
Insbesondere lokale Effekte können unter Umständen von dem erstellten datenbasierten Funktionsmodell nicht angemessen abgebildet werden. Wurde bereits ein datenbasiertes Funktionsmodell auf Grundlage von Trainingsdaten eines anfänglichen Trainingsdatensatzes bestimmt, so ist es schwierig, Trainingsdaten eines nachträglich ermittelten Trainingsdatensatzes in angemessener Weise in dem bereits erstellten datenbasierten Funktionsmodell zu berücksichtigen. Durch das bloße Vereinigen der Trainingsdatensätze mit oder ohne Variation der Hyperparameter des datenbasierten Modells können lokale Effekte jedoch nur dann angemessen berücksichtigt werden, wenn die Trainingsdaten des nachträglich hinzugefügten Trainingsdatensatzes eine ausreichende Anzahl an Messpunkten aufweisen. So können die zusätzlichen Messpunkte im Verhältnis zu den Messpunkten der Trainingsdaten des anfänglichen Trainingsdatensatzes ein ausreichendes Gewicht aufweisen. Weiterhin ist erforderlich, dass die Messpunkte des nachträglich hinzugefügten Trainingsdatensatzes nicht im Widerspruch zu bereits vorhandenen Messpunkten des anfänglichen Trainingsdatensatzes stehen, d. h. eine relativ große Abweichung zu diesen aufweisen. Andernfalls erhält man datenbasierte Funktionsmodelle mit hohem Messrauschen und folglich hohem Modellfehler für die Funktionswerte im Bereich des lokalen Effekts.In particular, local effects may not be adequately mapped by the created data-based function model. If a data-based functional model has already been determined on the basis of training data of an initial training data record, it is difficult to appropriately consider training data of a subsequently determined training data record in the already created data-based functional model. However, by simply merging the training data sets with or without varying the hyperparameters of the data-based model, local effects can only be adequately considered if the training data of the subsequently added training data set has a sufficient number of measurement points. Thus, the additional measurement points may have sufficient weight relative to the measurement points of the training data of the initial training data set. Furthermore, it is necessary that the measuring points of the subsequently added training data set are not in contradiction to already existing measuring points of the initial training data set, i. H. have a relatively large deviation from these. Otherwise, one obtains data-based function models with high measurement noise and consequently high model error for the function values in the area of the local effect.
Aus dem Stand der Technik sind Steuergeräte mit einem Mikrocontroller und einer separaten Modellberechnungseinheit zur Berechnung von datenbasierten Modellen in einem Steuergerät bekannt. So ist beispielsweise aus
Weiterhin ist aus
Offenbarung der ErfindungDisclosure of the invention
Erfindungsgemäß sind ein Verfahren zum Erstellen eines datenbasierten Funktionsmodells basierend auf datenbasierten Funktionsmodellen gemäß Anspruch 1 sowie das Verfahren zum Berechnen eines Funktionswerts eines datenbasierten Funktionsmodells, die Vorrichtung, das Steuergerät und das Computerprogramm gemäß den nebengeordneten Ansprüchen vorgesehen.According to the invention, a method for creating a data-based function model based on data-based function models according to
Weitere vorteilhafte Ausgestaltungen der vorliegenden Erfindung sind in den abhängigen Ansprüchen angegeben.Further advantageous embodiments of the present invention are specified in the dependent claims.
Gemäß einem ersten Aspekt ist ein Verfahren zum Erstellen eines datenbasierten Funktionsmodells vorgesehen. Das Verfahren umfasst die folgenden Schritte:
- – Bereitstellen oder Erstellen eines aus einem ersten Trainingsdatensatz ermittelten ersten datenbasierten Teilmodells; und
- – Bereitstellen eines oder mehrerer weiterer Trainingsdatensätze; wobei für jeden der bereitgestellten weiteren Trainingsdatensätze folgende weitere Schritte durchgeführt werden: • Ermitteln eines Differenz-Trainingsdatensatzes mit Trainingsdaten, die den Differenzen der Ausgangswerte des betreffenden weiteren Trainingsdatensatzes und des Funktionswerts der Summe der Teilfunktionswerte des ersten datenbasierten Teilmodells und der zuvor ermittelten ein oder mehreren weiteren datenbasierten Teilmodellen an jedem der Messpunkte des betreffenden weiteren Trainingsdatensatzes entsprechen; • Ermitteln eines weiteren datenbasierten Teilmodells aus dem Differenz-Trainingsdatensatz; und • Bilden einer Summe aus dem ersten datenbasierten Teilmodell und den ermittelten weiteren datenbasierten Teilmodellen.
- Providing or creating a first data-based submodel determined from a first training data set; and
- Providing one or more further training data sets; wherein the following further steps are carried out for each of the further training data records provided: • Determining a difference training data set with training data that includes the differences of the output values of the respective further training data set and the function value of the sum of the partial function values of the first data-based submodel and the one or more previously determined ones correspond to data-based submodels at each of the measurement points of the respective further training data set; • determining another data-based submodel from the difference training data set; and • forming a sum of the first data-based submodel and the determined further data-based submodels.
Eine Idee des obigen Verfahrens zum Erstellen eines datenbasierten Funktionsmodells besteht darin, mehrere datenbasierte Teilmodelle additiv miteinander zu verbinden, um ein Strecken- oder Systemmodell in einem Steuergerät zu implementieren. Dies ermöglicht eine angemessene Darstellung lokaler Effekte, die als separates datenbasiertes Teilmodell modelliert werden. Das obige Verfahren schlägt vor, eine additive Kette einer Anzahl von datenbasierten Teilmodellen zu bilden, wobei basierend auf einem ersten datenbasierten Teilmodell jedes weitere datenbasierte Teilmodell eine additive Abweichung von dem ersten datenbasierten Teilmodell bzw. der Summe aus dem ersten datenbasierten Teilmodell und den bereits berücksichtigten weiteren datenbasierten Teilmodellen angibt. Auf diese Weise können lokale Effekte insbesondere aufgrund der durch die Hyperparameter bestimmten Breite des datenbasierten Modells gut modelliert werden, ohne das erste datenbasierte Teilmodell maßgeblich zu beeinträchtigen.One idea of the above method for creating a data-based functional model is to additively join multiple data-based submodels together to implement a link or system model in a controller. This allows adequate representation of local effects modeled as a separate data-based submodel. The above method proposes to form an additive chain of a number of data-based submodels, wherein based on a first data-based submodel each further data-based submodel has an additive deviation from the first data-based submodel or the sum from the first data-based submodel and the others already considered indicates data-based submodels. In this way, local effects can be well modeled, in particular due to the width of the data-based model determined by the hyperparameters, without significantly impairing the first data-based submodel.
Die additive Zusammenführung von mehreren datenbasierten Teilmodellen hat den weiteren Vorteil, dass diese in einem Steuergerät mit einer zusätzlichen Modellberechnungseinheit in einfacher Weise gerechnet werden kann.The additive combination of several data-based submodels has the further advantage that they can be easily calculated in a control unit with an additional model calculation unit.
Durch das Vorsehen der Modellberechnungseinheit, die in selbstständiger Weise mehrere datenbasierte Teilmodelle hintereinander berechnet und die resultierenden Teilergebnisse aufaddiert, wird eine einfache Ermittlung eines Funktionswerts basierend auf dem obigen additiven Funktionsmodell ermöglicht. Durch Vermeiden, dass die Recheneinheit die Modellberechnungseinheit für die Berechnung jedes einzelnen Teilmodells vorbereiten muss, kann die Berechnung eines entsprechenden Funktionswerts deutlich beschleunigt werden.By providing the model calculation unit that independently calculates a plurality of data-based submodels in succession and adds up the resulting sub-results, a simple determination of a function value based on the above additive function model is enabled. By avoiding that the arithmetic unit must prepare the model calculation unit for the calculation of each individual submodel, the calculation of a corresponding function value can be significantly accelerated.
Weiterhin kann vorgesehen sein, dass die weiteren Trainingsdatensätze jeweils Trainingsdaten enthalten, die durch ein Klassifikations- oder Clusteringverfahren einem lokalen Effekt zugeordnet werden. Furthermore, it can be provided that the further training data records each contain training data which are assigned to a local effect by a classification or clustering method.
Insbesondere kann das weitere datenbasierten Teilmodell aus dem Differenz-Trainingsdatensatz so ermittelt wird, das es im Extrapolationsbereich auf konstant Null zurückgeht.In particular, the further data-based submodel from the difference training data record can be determined such that it goes back to constant zero in the extrapolation range.
Weiterhin können die datenbasierten Teilmodelle Gaußprozessmodellen entsprechen, wobei das eine oder die mehreren weiteren datenbasierten Teilmodelle aus dem entsprechenden Differenz-Trainingsdatensatz basierend auf einer Mittelwertsfunktion ermittelt wird, die konstant Null beträgt. Furthermore, the data-based submodels may correspond to Gaussian process models, wherein the one or more further data-based submodels is determined from the corresponding difference training data set based on a mean value function that is constant zero.
Gemäß einem weiteren Aspekt ist ein Verfahren zum Berechnen eines Funktionswerts eines datenbasierten Funktionsmodells in einem Steuergerät vorgesehen, das eine Recheneinheit und eine separate Modellberechnungseinheit aufweist, wobei das datenbasierte Funktionsmodell mehrere Teilmodelle aufweist. Das Verfahren umfasst die folgenden Schritte:
- – Bereitstellen von Eingangsdaten an die Modellberechnungseinheit;
- – Übermitteln einer Berechnungsadresse, die eine Adresse von ersten Konfigurationsdaten in einer Speichereinheit angibt, an eine DMA-Einheit;
- – Abrufen der ersten Konfigurationsdaten, die Parameter und Stützstellendaten zur Berechnung eines ersten Teilmodells enthalten, aus der Speichereinheit und Übermitteln der ersten Konfigurationsdaten an die Modellberechnungseinheit;
- – Ermitteln eines ersten Teilfunktionswerts des ersten Teilmodells basierend auf den Eingangsdaten; und
- – Speichern des ersten Teilfunktionswerts in einem Akkumulator in der Modellberechnungseinheit; wobei folgende Schritte wiederholt durchgeführt werden, bis eine Stoppbedingung vorliegt: • Abrufen von weiteren Konfigurationsdaten, die Parameter und Trainingsdaten zur Berechnung eines weiteren Teilmodells enthalten, aus der Speichereinheit und Übermitteln der betreffenden weiteren Konfigurationsdaten an die Modellberechnungseinheit; • Ermitteln eines weiteren Teilfunktionswerts des weiteren Teilmodells basierend auf den Eingangsdaten; und • Addieren des weiteren Teilfunktionswerts zu dem in dem Akkumulator gespeicherten Wert.
- Providing input data to the model calculation unit;
- - transmitting a calculation address indicating an address of first configuration data in a memory unit to a DMA unit;
- Retrieving the first configuration data containing parameters and node data for calculating a first partial model from the memory unit and transmitting the first configuration data to the model calculation unit;
- Determining a first partial function value of the first partial model based on the input data; and
- Storing the first partial function value in an accumulator in the model calculation unit; wherein the following steps are repeatedly performed until a stop condition exists: retrieving further configuration data including parameters and training data for calculating another submodel from the storage unit and transmitting the respective further configuration data to the model calculation unit; Determining a further partial function value of the further partial model based on the input data; and adding the further partial function value to the value stored in the accumulator.
Die Kombination des erstgenannten Verfahrens zum Erstellen eines datenbasierten Funktionsmodells in Verbindung mit der Berechnung in einer Modellberechnungseinheit mithilfe einer DMA-Einheit ermöglicht die Durchführung eines verketteten Berechnungsverfahrens in der Modellberechnungseinheit, das es wiederum ermöglicht, die Berechnungen schnell durchzuführen, ohne die Recheneinheit zu belasten.The combination of the former method for creating a data-based function model in conjunction with the calculation in a model calculation unit using a DMA unit makes it possible to perform a concatenated calculation method in the model calculation unit, which in turn makes it possible to perform the calculations quickly without burdening the arithmetic unit.
Weiterhin können die weiteren Konfigurationsdaten aus einem Speicherbereich abgerufen werden, der von der Berechnungsadresse abhängt, insbesondere durch Beaufschlagen der Berechnungsadresse mit einem vorgegebenen Adressoffset.Furthermore, the further configuration data can be retrieved from a memory area that depends on the calculation address, in particular by applying the calculation address with a predetermined address offset.
Gemäß einer Ausführungsform kann die Stoppbedingung durch die abgerufenen weiteren Konfigurationsdaten angegeben werden. According to one embodiment, the stop condition may be indicated by the retrieved further configuration data.
Es kann vorgesehen sein, dass die Stoppbedingung vorgibt, dass die Recheneinheit den in dem Akkumulator gespeicherten Wert als Funktionswert eines datenbasierten Funktionsmodells angibt. It can be provided that the stop condition specifies that the arithmetic unit indicates the value stored in the accumulator as the function value of a data-based function model.
Insbesondere kann das Abrufen der weiteren Konfigurationsdaten aus der Speichereinheit, das Übermitteln der betreffenden weiteren Konfigurationsdaten an die Modellberechnungseinheit und das Starten des Ermittelns des weiteren Teilfunktionswerts des weiteren Teilmodells durch die DMA-Einheit durchgeführt werden. In particular, the retrieval of the further configuration data from the memory unit, the transmission of the relevant further configuration data to the model calculation unit and the starting of the determination of the further partial function value of the further submodel by the DMA unit can be carried out.
Gemäß einem weiteren Aspekt ist eine Vorrichtung, insbesondere Recheneinheit, zum Erstellen eines datenbasierten Funktionsmodells vorgesehen, wobei die Vorrichtung ausgebildet ist, um:
- – ein aus einem ersten Trainingsdatensatz ermitteltes erstes datenbasiertes Teilmodell bereitzustellen; und
- – einen oder mehrere weitere Trainingsdatensätze bereitzustellen; wobei die Vorrichtung weiterhin ausgebildet ist, um für jeden der bereitgestellten weiteren Trainingsdatensätze folgende Schritte durchzuführen: • Ermitteln eines modifizierten weiteren Trainingsdatensatzes mit Trainingsdaten als Differenzen der Ausgangswerte des betreffenden weiteren Trainingsdatensatzes und des Funktionswerts der Summe der Teilfunktionswerte des ersten datenbasierten Teilmodells und der zuvor ermittelten weiteren datenbasierten Teilmodelle an jedem der Messpunkte des betreffenden weiteren Trainingsdatensatzes; und • Ermitteln eines weiteren datenbasierten Teilmodells aus dem modifizierten Trainingsdatensatz; • wobei die Vorrichtung weiterhin ausgebildet ist, um eine Summe aus dem ersten datenbasierten Teilmodell und den ermittelten weiteren datenbasierten Teilmodellen zu bilden.
- To provide a first data-based submodel determined from a first training data set; and
- To provide one or more additional training records; wherein the apparatus is further configured to perform the following steps for each of the further training data records provided: Determining a modified further training data record with training data as differences of the output values of the relevant further training data record and the functional value of the sum of the partial function values of the first data-based submodel and the previously determined further ones data-based submodels at each of the measurement points of the respective further training data set; and • determining another data-based submodel from the modified training data set; Wherein the device is further configured to form a sum of the first data-based submodel and the determined further data-based submodels.
Gemäß einem weiteren Aspekt ist ein Steuergerät zum Berechnen eines Funktionswerts eines datenbasierten Funktionsmodells vorgesehen, wobei das datenbasierte Funktionsmodell mehrere Teilmodelle aufweist, umfassend:
- – eine Recheneinheit zum Übermitteln einer Berechnungsadresse an eine DMA-Einheit;
- – eine separate Modellberechnungseinheit, um einen Teilfunktionswert eines bereitgestellten Teilmodells basierend auf den Eingangsdaten zu ermitteln und den Teilfunktionswert auf einen in einem Akkumulator der Modellberechnungseinheit gespeicherten Wert zu addieren;
- – eine Speichereinheit zum Speichern von ersten Konfigurationsdaten, die Parameter und Trainingsdaten zur Berechnung eines ersten Teilmodells enthalten, und von weiteren Konfigurationsdaten, die Parameter und Trainingsdaten zur Berechnung eines oder mehrerer weiterer Teilmodelle enthalten; und
- – die DMA-Einheit, die ausgebildet ist, um Konfigurationsdaten aus der Speichereinheit abzurufen und an die Modellberechnungseinheit zu übermitteln.
- An arithmetic unit for transmitting a calculation address to a DMA unit;
- A separate model calculation unit to determine a partial function value of a provided partial model based on the input data and to add the partial function value to a value stored in an accumulator of the model calculation unit;
- A memory unit for storing first configuration data containing parameters and training data for calculating a first partial model, and further configuration data containing parameters and training data for calculating one or more further partial models; and
- The DMA unit, which is designed to retrieve configuration data from the memory unit and to transmit it to the model calculation unit.
Gemäß einem weiteren Aspekt ist eine Computerprogramm vorgesehen, welches dazu eingerichtet ist, alle Schritte des obigen Verfahrens zum Erstellen eines datenbasierten Funktionsmodells auszuführen.According to a further aspect, a computer program is provided, which is set up to execute all the steps of the above method for creating a data-based function model.
Kurzbeschreibung der Zeichnungen Brief description of the drawings
Bevorzugte Ausführungsformen der vorliegenden Erfindung werden nachfolgend anhand der beigefügten Zeichnungen näher erläutert. Es zeigen:Preferred embodiments of the present invention will be explained in more detail with reference to the accompanying drawings. Show it:
Beschreibung von AusführungsformenDescription of embodiments
Zunächst wird anhand des Flussdiagramms der
In Schritt S1 wird anhand von Hyperparametern und Stützstellen ein erstes datenbasiertes Teilmodell ferstesTeilmodell (x) bereitgestellt, das ganz oder teilweise aus einem ersten anfänglich bereitgestellten Trainingsdatensatz gebildet ist.In step S1, a first data-based partial model f first partial model (x) is provided based on Hyper parameters and sampling points that is formed completely or partially from a first initially provided training data set.
In Schritt S2 wird weiterhin ein zweiter Trainingsdatensatz
In Schritt S3 werden dann die Abweichungen ỹi zwischen den Modellvorhersagen ferstesTeilmodell (xi) (Ausgangswerte bzw. Funktionswerte) des ersten datenbasierten Teilmodells und den Messpunkten yi an den beobachteten Messpunkten des zweiten Trainingsdatensatzes ermittelt:
In Schritt S4 wird auf den erhaltenen Abweichungen ỹi, d. h. auf den Trainings daten (xi, ỹi), i = 1, ..., N, ein weiteres, zweites datenbasiertes Modell fzweitesTeilmodell (x) trainiert. Dabei ist zu beachten, dass das weitere Teilmodell mithilfe einer Mittelwertfunktion trainiert wird, die konstant 0 entspricht, im Extrapolationsbereich also der Nullfunktion folgt.In step S4, on the obtained deviations ỹ i , ie on the training data (x i , ỹ i ), i = 1,..., N, another, second data-based model f second submodule (x) is trained. It should be noted that the further submodel is trained by means of a mean value function which corresponds to 0 constantly, that is to say follows the zero function in the extrapolation range.
In Schritt S5 können das erste, anfänglich bereitgestellte datenbasierte Teilmodell und das zweite weitere datenbasierte Teilmodell additiv miteinander verbunden werden:
Dieses Konzept kann in einfacher Weise verallgemeinert werden, indem beliebig viele weitere Teilmodelle zugelassen werden. Beispielsweise können Messpunkte eines weiteren Trainingsdatensatzes, die z. B. durch ein Klassifikations- oder Clusteringverfahren einem bestimmten lokalen Effekt zugeordnet wurden, in einem weiteren datenbasierten Teilmodell modelliert werden. Das weitere datenbasierte Teilmodell wird aus einem Differenz-Trainingsdatensatz erstellt, dessen Ausgangswerte den Differenzen der Ausgangswerte des zu berücksichtigenden weiteren Trainingsdatensatzes und den entsprechenden Funktionswerten eines aus einer Addition der bereits zuvor ermittelten datenbasierten Teilmodelle gebildeten datenbasierten Modells an den Messpunkten des weiteren Trainingsdatensatzes entsprechen. Das weitere datenbasierte Teilmodell wird dann basierend auf dem Differenz-Trainingsdatensatz ermittelt. Diese Vorgehensweise kann für alle weiteren Trainingsdatensätze wiederholt werden. This concept can be generalized in a simple way by allowing any number of additional submodels. For example, measuring points of another training data set, the z. B. assigned by a classification or clustering a particular local effect, are modeled in a further data-based sub-model. The further data-based submodel is created from a difference training data record whose output values are the differences of the output values of the further training data record to be taken into consideration and the corresponding function values of a correspond to an addition of the previously determined data-based submodels formed data-based model at the measuring points of the further training data set. The further data-based submodel is then determined based on the difference training data set. This procedure can be repeated for all other training data records.
Für eine Anzahl I von weiteren datenbasierten Teilmodellen, die auf die oben beschriebene Weise ermittelt wurden, gilt: For a number I of further data-based submodels, which were determined in the manner described above, the following applies:
Für jedes einzelne Ergebnis eines Teilmodells existiert ein modellabhängiger Skalierungsfaktor an (mit n = 0, ..., I), mit dem das Gewicht des betreffenden Teilmodells fweiteres_Teilmodelln berücksichtigt werden kann. Zusätzlich existiert auch ein globaler Modelloffset, der als co definiert ist und als Teil von Hyperparametern konfiguriert werden kann. Diese Parameter gehören zu den Modellparametern und beschreiben die Ausgangsnormierung des zu ermittelnden Funktionsmodells. A model-dependent scaling factor a n (where n = 0, ..., I), with which the weight of the relevant part model f weiteres_Teilmodelln can be taken into account exists for each result of a partial model. In addition, there is also a global model offset defined as c o that can be configured as part of hyperparameters. These parameters belong to the model parameters and describe the initial standardization of the function model to be determined.
In
Über die Eingangsschnittstelle
Das Steuergerät
In der Speichereinheit
Weiterhin umfasst das Steuergerät
Zur Berechnung von datenbasierten Modellen kann vorgesehen sein, dass die Recheneinheit
In
Wie in
Die erste Konfigurationsmappe
Nach der Startaufforderung ruft die DMA-Einheit
Nachdem die Hyperparameter und Stützstellendaten für das erste Teilmodell in die Modellberechnungseinheit
In
In Schritt S14 wird der Abschluss der Durchführung der Berechnung des ersten Teilfunktionswerts an die DMA-Einheit
Daraufhin fordert in Schritt S15 die DMA-Einheit
Das zweite Teilmodell wird in Schritt S16 berechnet und anschließend wird der resultierende zweite Teilfunktionswert zu dem in dem Akkumulator gespeicherten Wert aufaddiert. Zuvor kann der zweite Teilfunktionswert, wenn ein entsprechender Parameter in der betreffenden Konfigurationsmappe
In Schritt S17 wird der Abschluss der Durchführung der Berechnung des zweiten Teilfunktionswerts an die DMA-Einheit
Die Schritte S15 bis S17 werden nun so oft wiederholt, wie es der Anzahl an Konfigurationsmappen
Die Konfigurationsmappe
Das letzte Konfigurationsregister
Damit die Modellberechnungseinheit
Bei der Übermittlung der Parameter und Stützstellendaten an die Modellberechnungseinheit
ZITATE ENTHALTEN IN DER BESCHREIBUNG QUOTES INCLUDE IN THE DESCRIPTION
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.This list of the documents listed by the applicant has been generated automatically and is included solely for the better information of the reader. The list is not part of the German patent or utility model application. The DPMA assumes no liability for any errors or omissions.
Zitierte PatentliteraturCited patent literature
- DE 102010028259 A1 [0005] DE 102010028259 A1 [0005]
Zitierte Nicht-PatentliteraturCited non-patent literature
- C. Plagemann, K. Kersting, W. Burgard, "Nonstationary Gaussian Process Regression Using Point Estimates of Local Smoothness", ICML Proceedings, Seiten 204–2116, 2006 [0006] C. Plagemann, K. Kersting, W. Burgard, "Nonstationary Gaussian Process Regression Using Point Estimates of Local Smoothness", ICML Proceedings, pages 204-2116, 2006 [0006]
Claims (14)
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102013206292.3A DE102013206292A1 (en) | 2013-04-10 | 2013-04-10 | Method and device for creating a data-based function model |
US14/247,104 US9709967B2 (en) | 2013-04-10 | 2014-04-07 | Method and device for creating a data-based function model |
CN201410140034.0A CN104102129A (en) | 2013-04-10 | 2014-04-09 | Method and device for creating a data-based function model |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
DE102013206292.3A DE102013206292A1 (en) | 2013-04-10 | 2013-04-10 | Method and device for creating a data-based function model |
Publications (1)
Publication Number | Publication Date |
---|---|
DE102013206292A1 true DE102013206292A1 (en) | 2014-10-16 |
Family
ID=51618295
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
DE102013206292.3A Pending DE102013206292A1 (en) | 2013-04-10 | 2013-04-10 | Method and device for creating a data-based function model |
Country Status (3)
Country | Link |
---|---|
US (1) | US9709967B2 (en) |
CN (1) | CN104102129A (en) |
DE (1) | DE102013206292A1 (en) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102016216945A1 (en) | 2016-09-07 | 2018-03-08 | Robert Bosch Gmbh | A method and apparatus for performing a function based on a model value of a data-based function model based on a model validity indication |
DE102016217915A1 (en) | 2016-09-19 | 2018-03-22 | Robert Bosch Gmbh | Methods and devices Determination of the benefits achieved by convoy cruises |
DE102020211666A1 (en) | 2020-09-17 | 2022-03-17 | Robert Bosch Gesellschaft mit beschränkter Haftung | Method and device for performing a screwing process using methods of artificial intelligence |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102013227183A1 (en) * | 2013-12-27 | 2015-07-02 | Robert Bosch Gmbh | Method and apparatus for providing a sparse Gaussian process model for calculation in an engine control unit |
KR102601848B1 (en) | 2015-11-25 | 2023-11-13 | 삼성전자주식회사 | Device and method of data recognition model construction, and data recognition devicce |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102010028259A1 (en) | 2010-04-27 | 2011-10-27 | Robert Bosch Gmbh | A microcontroller having a computing unit and a logic circuit and method for performing calculations by a microcontroller for control or in-vehicle control |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0713611A (en) * | 1993-06-24 | 1995-01-17 | Hitachi Ltd | Device and method for evaluating process model |
US5691896A (en) * | 1995-08-15 | 1997-11-25 | Rosemount, Inc. | Field based process control system with auto-tuning |
DE19537010C2 (en) * | 1995-10-04 | 1997-10-02 | Siemens Ag | Learning method and arrangement for emulating a dynamic process |
US7092863B2 (en) * | 2000-12-26 | 2006-08-15 | Insyst Ltd. | Model predictive control (MPC) system using DOE based model |
US8560283B2 (en) * | 2009-07-10 | 2013-10-15 | Emerson Process Management Power And Water Solutions, Inc. | Methods and apparatus to compensate first principle-based simulation models |
DE102010028266A1 (en) | 2010-04-27 | 2011-10-27 | Robert Bosch Gmbh | Control device and method for calculating an output for a controller |
US8924453B2 (en) * | 2011-12-19 | 2014-12-30 | Spansion Llc | Arithmetic logic unit architecture |
US8832006B2 (en) * | 2012-02-08 | 2014-09-09 | Nec Corporation | Discriminant model learning device, method and program |
-
2013
- 2013-04-10 DE DE102013206292.3A patent/DE102013206292A1/en active Pending
-
2014
- 2014-04-07 US US14/247,104 patent/US9709967B2/en active Active
- 2014-04-09 CN CN201410140034.0A patent/CN104102129A/en active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102010028259A1 (en) | 2010-04-27 | 2011-10-27 | Robert Bosch Gmbh | A microcontroller having a computing unit and a logic circuit and method for performing calculations by a microcontroller for control or in-vehicle control |
Non-Patent Citations (1)
Title |
---|
C. Plagemann, K. Kersting, W. Burgard, "Nonstationary Gaussian Process Regression Using Point Estimates of Local Smoothness", ICML Proceedings, Seiten 204-2116, 2006 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102016216945A1 (en) | 2016-09-07 | 2018-03-08 | Robert Bosch Gmbh | A method and apparatus for performing a function based on a model value of a data-based function model based on a model validity indication |
DE102016217915A1 (en) | 2016-09-19 | 2018-03-22 | Robert Bosch Gmbh | Methods and devices Determination of the benefits achieved by convoy cruises |
WO2018050356A1 (en) | 2016-09-19 | 2018-03-22 | Robert Bosch Gmbh | Method and devices for determining the benefit obtained from traveling in vehicle convoys |
DE102020211666A1 (en) | 2020-09-17 | 2022-03-17 | Robert Bosch Gesellschaft mit beschränkter Haftung | Method and device for performing a screwing process using methods of artificial intelligence |
Also Published As
Publication number | Publication date |
---|---|
US20140309754A1 (en) | 2014-10-16 |
CN104102129A (en) | 2014-10-15 |
US9709967B2 (en) | 2017-07-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DE102013213420A1 (en) | Model calculation unit, controller and method for computing a data-based function model | |
DE102014207683A1 (en) | Method and device for creating a data-based function model | |
DE102013206292A1 (en) | Method and device for creating a data-based function model | |
EP3398092A1 (en) | Method for configuring a co-simulation for a total system | |
EP2442248A1 (en) | Coupling method for non-iterative co-simulation | |
DE102018128890A1 (en) | Method and test device for testing a driver assistance system for a motor vehicle | |
DE102013206264A1 (en) | Method and apparatus for performing a calculation of a data-based function model | |
DE102013212842A1 (en) | Method for operating a control device and control device with a model calculation unit | |
DE102013206308A1 (en) | Method and system for adapting model parameters of a function model implemented in a control unit of a motor vehicle | |
DE102014225039A1 (en) | Method and apparatus for providing sparse Gaussian process models for calculation in an engine control unit | |
DE102017213510A1 (en) | Method and apparatus for generating a machine learning system, and virtual sensor device | |
DE102013206304A1 (en) | Method and apparatus for creating a non-parametric, data-based function model | |
DE102013227183A1 (en) | Method and apparatus for providing a sparse Gaussian process model for calculation in an engine control unit | |
DE102013206291A1 (en) | Method and apparatus for creating a non-parametric, data-based function model | |
DE102015208513A1 (en) | Method and apparatus for calculating a data-based multi-output functional model | |
DE102013212889A1 (en) | Method and device for creating a control for a physical unit | |
DE102015221819A1 (en) | Method and device for adapting a data-based function model for calculation in a model calculation unit | |
DE102012016610B4 (en) | Real-time circuit simulation | |
DE112019006317T5 (en) | IMPLEMENTATION OF A MULTI-LAYER NEURAL NETWORK USING A SINGLE PHYSICAL LAYER OF ANALOG NEURONS | |
DE102018002029A1 (en) | Method for determining a prediction for a pose of a vehicle for driver assistance systems | |
DE102014208379A1 (en) | Method and device for determining a function value of a data-based function model inverted relative to an input variable | |
DE102013214967A1 (en) | Method and device for adapting a data-based function model | |
DE102013224694A1 (en) | Method and device for determining a gradient of a data-based function model | |
DE102015203771A1 (en) | Method and device for evaluating a data-based function model | |
DE102017204173A1 (en) | Method and device for determining a customized data-based function model for the calculation of a model value with a modified input variable vector |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
R012 | Request for examination validly filed | ||
R016 | Response to examination communication |